QCM Deep Learning Corrigé

juin 16, 2022juin 16, 2022 Thomas Aucun commentaire embauche, examen Deep Learning corrige pdf, exemple test, exercice Deep Learning avec correction, exercices corrigés, exercices corrigés Deep Learning pdf, QCM, qcm Deep Learning, qcm Deep Learning corrige pdf, Question entretien, quiz, quiz Deep Learning, test recrutement, Test technique

QCM sur Deep Learning avec des réponses pour la préparation des entretiens d’embauche, tests en ligne, examens et certifications. Ces questions et réponses sur Deep Learning comprennent divers sujets tel que les bases de Deep Learning, comprendre la théorie du Deep Learning, la conception de modèles, Prédictions, Modèles Deep Learning, etc… Et sont tirés d’un vrai entretien écrit et certaines parties sont en direct. Cette méthode d’apprentissage systématique préparera facilement toute personne pour réussir son test sur Deep Learning.

1. Lequel des éléments suivants est un sous-ensemble de Machine Learning ?

A Deep Learning

B SciPy

C Numpy

D Toutes ces réponses

Deep learning est un logiciel informatique qui imite le réseau de neurones d’un cerveau. Il constitue un sous-ensemble du machine learning et est appelé Deep learning.

2. Combien de couches les algorithmes de Deep learning comportent-ils ?

A 5

B 4

C 3

D 2

Les algorithmes de Deep learning sont construits avec 3 couches connectées : couche d’entrée, couche cachée, couches de sortie.

Couche d’entrée:

Cette couche va accepter les données et les transmettre au reste du réseau.

En termes de cerveau humain, ces signaux d’entrée sont vos sens. Ces sens sont tout ce que vous pouvez voir, entendre, sentir ou toucher. Par exemple, si vous touchez une surface chaude, un signal soudain est envoyé à votre cerveau. Et ce signal est le signal d’entrée en termes de cerveau humain.

Mais, dans le cas d’un réseau neuronal artificiel, la couche d’entrée contient des variables indépendantes. Donc la variable indépendante 1, la variable indépendante 2, et la variable indépendante n.

Ce qu’il faut retenir, c’est que ces variables indépendantes sont destinées à une seule observation.

Couche cachée:

Les couches cachées sont soit une, soit plusieurs dans un réseau neuronal. Les couches cachées sont celles qui sont réellement responsables des excellentes performances et de la complexité des réseaux neuronaux. Elles exécutent plusieurs fonctions en même temps, telles que la transformation des données, la création automatique de caractéristiques, etc.

couches de sortie:

La couche de sortie contient le résultat ou la sortie du problème.

3. RNNs signifie __________________

A Receives Neural Networks

B Report Neural Networks

C Recording Neural Networks

D Recurrent Neural Networks

Le RNN est un réseau neuronal multicouche qui peut stocker des informations dans des nœuds contextuels, ce qui lui permet d’apprendre des séquences de données et de produire un nombre ou une autre séquence.

4. Laquelle/lesquelles des propositions suivantes est/sont des utilisations courantes des RNN ?

A Fournir une description aux images

B Détecter les transactions frauduleuses par carte de crédit

C Entreprises Aider les négociants en valeurs mobilières à générer des rapports analytiques

D Toutes ces réponses

Tous les éléments ci-dessus sont des utilisations courantes des RNN.

5. Lequel des éléments suivants est bien adapté aux tâches perceptives ?

A Reinforcement Learning

B Convolutional Neural Networks

C Recurrent neural networks

D Feed-forward neural networks

Le CNN est un réseau neuronal multicouche doté d’une architecture unique conçue pour extraire des caractéristiques de plus en plus complexes des données à chaque couche afin de déterminer la sortie. Les CNN sont bien adaptés aux tâches perceptuelles.

6. CNN est surtout utilisé lorsqu’il y a ___________

A des données structurées

B des données non structurées

C Les deux A et B

D Aucune de ces réponses

Le CNN est surtout utilisé lorsqu’il existe un ensemble de données non structurées (par exemple, des images) et que les spécialistes doivent en extraire des informations.

7. Lequel des éléments suivants est/sont des limites de Deep Learning ?

A Identification des données

B Acquisition d’énormes ensembles de données

C Les deux A et B

D Aucune de ces réponses

Les deux A et B sont des limites de Deep Learning.

8. Les algorithmes de Deep Learning sont _______ plus précis que les algorithmes du machine learning dans la classification des images.

A 0.33

B 0.37

C 0.4

D 0.41

Deep learning peut surpasser les méthodes traditionnelles. Par exemple, les algorithmes du deep learning sont 41% plus précis que les algorithmes du machine learning dans la classification des images, 27% plus précis dans la reconnaissance faciale et 25% dans la reconnaissance vocale.

9. Dans laquelle des applications suivantes peut-on utiliser Deep Learning pour résoudre le problème ?

A Prédiction de la structure des protéines

B La prédiction des réactions chimiques

C Détection de particules exotiques

D Toutes les réponses sont vraies

Nous pouvons utiliser le réseau neuronal pour approximer n’importe quelle fonction. Il peut donc théoriquement être utilisé pour résoudre n’importe quel problème.

10. Le nombre de nœuds de la couche d’entrée est 10 et celui de la couche cachée est 5. Le nombre maximal de connexions de la couche d’entrée à la couche cachée est de ___

A 50

B moins de 50

C plus de 50

D C’est une valeur arbitraire

Comme le MLP est un graphe dirigé entièrement connecté, le nombre de connexions est un multiple du nombre de nœuds dans la couche d’entrée et la couche cachée.

QCMs qui pourraient vous intéresser :

1. Lequel des éléments suivants est un sous-ensemble de Machine Learning ?

2. Combien de couches les algorithmes de Deep learning comportent-ils ?

Couche d’entrée:

Couche cachée:

couches de sortie:

3. RNNs signifie __________________

4. Laquelle/lesquelles des propositions suivantes est/sont des utilisations courantes des RNN ?

5. Lequel des éléments suivants est bien adapté aux tâches perceptives ?

6. CNN est surtout utilisé lorsqu’il y a ___________

7. Lequel des éléments suivants est/sont des limites de Deep Learning ?

8. Les algorithmes de Deep Learning sont _______ plus précis que les algorithmes du machine learning dans la classification des images.

9. Dans laquelle des applications suivantes peut-on utiliser Deep Learning pour résoudre le problème ?

10. Le nombre de nœuds de la couche d’entrée est 10 et celui de la couche cachée est 5. Le nombre maximal de connexions de la couche d’entrée à la couche cachée est de ___

Vous pourrez aussi aimer

QCM Machine Learning Corrigé

Laisser un commentaire Annuler la réponse